Handboken för att skapa AI-kollegor som faktiskt fungerar

Galen Low: Vad fick dig att bestämma dig för att satsa på att skapa AI-kollegor i stället för att göra något mer konventionellt?

Megan Ratcliff: Jag var chef för efterfrågegenerering vid den tiden och hade inte särskilt mycket resurser. Jag hade inte särskilt mycket pengar. Jag hade inte särskilt mycket tid och jag hade inte särskilt många teammedlemmar. Så jag började med att bygga den första kollegan, som var en kampanjtextförfattare. Sedan började jag bygga strateger som kunde hjälpa mig att tänka.

Galen Low: Kommer ett team av AI-agenter automatiskt att göra dig och dina team överflödiga?

Megan Ratcliff: Ja, och ... eftersom det som kommer att hända är att du kommer att kunna bygga ett system av verktyg som stöder det arbete du gör ur ett genomförandeperspektiv, och du kan också använda de här verktygen för att höja ditt strategiska inflytande i organisationen. Så det du bör göra är att använda AI för att ersätta ditt nuvarande jobb samtidigt som du bygger ditt nya jobb. Det är så framtiden ser ut.

Galen Low: Jag hörde om någon som faktiskt skriver upp sitt team av agenter på sitt CV och i princip intervjuar och säljer in sig själv som ett team till potentiella arbetsgivare. Giltigt eller falska nyheter?

Megan Ratcliff: Giltigt. Jag har sett det förut. Om jag anställer en marknadsförare vill jag se hur AI-kompetent personen är. Så om du kom till din intervju och sa: här är teamet av agenter jag tar med mig, skulle jag säga ...

Galen Low: Välkommen till The Digital Project Manager Podcast — programmet som hjälper leveransansvariga att arbeta smartare, leverera smidigare och leda sina team med självförtroende i AI-eran. Jag heter Galen, och varje vecka går vi igenom strategier från verkligheten, nya trender, beprövade ramverk och ibland en krigshistoria från projektets frontlinjer. Oavsett om du leder stora omvandlingsprojekt, hanterar AI-arbetsflöden eller bara försöker hålla kaoset under kontroll har du kommit rätt. Nu kör vi.

Okej, i det här avsnittet pratar vi om hur det faktiskt är att bygga och leda ett team av AI-kollegor — inte i framtiden ... utan just nu, med dagens teknik. För att göra det fokuserar vi på SaaS-marknadsföring och zoomar sedan ut till en uppsättning praktiska tips och knep för alla typer av teambaserat samarbete.

Med mig i dag är Megan Ratcliff, en marknadsspecialist som gjorde exakt det vi pratar om under sitt tidigare liv på SaaS-karriärteknikföretaget Dice. Som marknadschef på Dice byggde Megan i praktiken AI-kollegor för att fylla de annars allmänt accepterade luckorna mellan marknadsföring, försäljning och kundframgång — och byggde därigenom bron mellan teamen för att driva intäktstillväxt.

I dag är Megan en praktiskt arbetande go-to-market-konsult och coach som hjälper människor ut ur AI-förtvivlans grop. På Clarity & Motion Collective använder hon sitt specialiserade AI-ekosystem inom flera branscher för att förstärka organisationers kapacitet samtidigt som hon bevarar den mänskliga kontakt som driver verkliga affärsrelationer.

Megan, tack för att du är med mig i dag.

Megan Ratcliff: Tack för att jag fick komma.

Galen Low: Jag är verkligen entusiastisk över det här. Jag har uppskattat vårt samtal hittills. Jag tyckte om våra samtal i väntrummet och ser fram emot att gå på djupet, eftersom det här är ett så viktigt ämne som jag ser i mitt LinkedIn-flöde. Du vet, det är som att du kommer att leda team av AI-kollegor.

Det här kommer att vara framtiden, och sedan blev du hänvisad till mig av en gemensam kontakt som sa: Megan har gjort det här. Du borde prata med henne. Och jag tänkte: ja, det borde jag. Till att börja med ville jag rama in en stor, svår fråga som finns i allas medvetande när de läser titeln på det här avsnittet, men sedan vill jag zooma ut och prata om tre saker.

För det första ville jag prata om problemen du försökte lösa och hur din inlärningskurva såg ut när du försiktigt gav dig in på AI:s djupa vatten. Sedan vill jag höra din spontana bedömning av några rubriker och om de är myter, överdrifter eller kanske rena sanningar när det gäller AI-kollegor.

Och slutligen vill jag utforska hur framtidens lagarbete ser ut tillsammans med AI-kollegor inom en inte alltför avlägsen framtid — på två till tre års sikt.

Megan Ratcliff: Det låter bra.

Galen Low: Låt mig börja med min stora, svåra fråga. Kommer ett team av AI-agenter automatiskt att göra dig och dina team överflödiga, och om så är fallet, vilket är människans rätta jobb år 2026 och framåt?

Megan Ratcliff: Bra fråga. Det är en svår fråga och jag skulle säga att det inte finns något entydigt svar. Nej eller ja. Det som kommer att hända är att du kommer att kunna bygga ett system av verktyg som stöder det arbete du gör ur ett genomförandeperspektiv, och du kan också använda verktygen för att höja ditt strategiska inflytande i organisationen.

Så det du bör göra är att använda AI för att ersätta ditt nuvarande jobb samtidigt som du bygger ditt nya jobb. Det är så framtiden ser ut. Smarta marknadsförare, projektledare och liknande använder AI för att ersätta delar av det de gör nu, så att de kan ägna sig åt mer strategiskt arbete.

Galen Low: Värdesätts det av organisationer just nu? Jag har arbetat på flera byråer och haft några riktigt bra chefer. Många av mina chefer gav mig samma första råd: lyssna, ditt jobb är att göra dig själv överflödig. Hitta något nytt att göra inom organisationen. Jag tänkte: okej.

Och jag känner mig lyckligt lottad eftersom de faktiskt var sanna och höll vad de lovade. Jag arbetade mig uppåt. Men jag har hört berättelser från andra som säger: jag vill gärna göra det här nu. Och då får de höra: vi behöver inte det. Kan du bara fortsätta göra det monotona du gjorde tidigare?

Eller om du har automatiserat det vet jag inte om det finns någon plats för dig i organisationen. Är det en risk i dag, eller upplever du att trenden bland dina kunder och de organisationer du arbetar med är att de vill att alla ska utvecklas, komma med idéer och forma nya jobb som kanske inte finns just nu?

Megan Ratcliff: Jag tror att smarta organisationer investerar i sina människor just nu för att kompetensutveckla dem. Då har man i stället för en massa personer som bara utför uppgifter en massa personer som har byggt system som utför uppgifter — och som kan tänka ut och bygga nya system. Så om du arbetar i en organisation som bara vill att du ska upprätthålla status quo, bygg då ett system som gör jobbet åt dig.

Och gå sedan till en organisation som värdesätter det du gör. Jag vet inte. Det kommer också att finnas människor som är nöjda med att göra det de har gjort de senaste fem eller tio åren, och det är helt okej. Men för alla andra tror jag att det är viktigt att fundera på vilket nästa steg du vill ta, var du vill lära dig och var du vill utvecklas.

Vad är du nyfiken på? Utforska det. Det är så du breddar ditt inflytande i organisationen där du arbetar.

Galen Low: Jag gillar det perspektivet om utveckling. Men djävulens advokat i mig tänker: du säger att det är okej om man vill fortsätta göra det man gör.

Och jag tänker: är det verkligen det? En del av mig funderar på det vi ser på nätet och på vad organisationer ibland gör i relation till AI. Det liknar ett motstånd mot status quo eller stagnation. Vissa skulle se det som ... jag vet inte ens om det är en fråga, men är det verkligen så?

Megan Ratcliff: Om du är en av dem som tycker om det du gör, om det är uppgiftsorienterat och du gör samma sak om och om igen, kommer du förmodligen att kunna fortsätta så i ungefär två år till. Sedan kommer du inte längre att ha ett jobb. Det finns alltså en tidslinje här.

Om du inte funderar på hur du ska ersätta ditt jobb med AI och bygga ditt nästa jobb ligger du lite efter. Det är dags att göra lite efterforskningar och ta reda på hur du kan införa verktyg som hjälper dig att höja din kompetens. Jag pratade faktiskt med någon tidigare i dag som berättade om AI-certifieringar för sitt team, och jag sa: bra, det är ungefär som att bli certifierad i internet.

Det är den brytpunkt vi befinner oss vid. Om du gjorde motstånd mot internet gick det inte särskilt bra för dig. Den här gången är det samma sak. Om du gör motstånd mot den här tekniken — och det finns många goda skäl till det, eftersom det är skrämmande teknik och har miljökonsekvenser — men om du helt gör motstånd och inte utforskar den alls kommer du att sluta som någon som ignorerade internet.

Galen Low: Det är en väldigt bra poäng om internet. Jag tycker att din poäng om certifieringar är intressant. Just nu är min spontana bedömning, och det gäller förmodligen i ungefär två år eller mindre, att certifieringarna fyller en funktion. De säger: hej, jag omfamnar det här. Ta mig inte bara på orden. Jag har lagt ner arbete och har något som visar att jag bryr mig tillräckligt om framtiden för att utforska den.

Och jag tror att du har rätt. Det kommer att bli som att kunna skriva. Det är bra. Det blir grundläggande färdighet om ungefär två år. Jag gillar också att — om jag uppfattar dig rätt — du binder ihop två saker här. Det är okej om du inte vill erövra världen, klättra på karriärstegen eller bli superstrategisk. Men du behöver ett tänkesätt där du bygger system, även om du rör dig sidledes.

Eller om du gillar uppgiftsorienterat arbete kan du nu göra mer av det eftersom du bygger system som skalar horisontellt, inte bara klättrar på stegen mot att bli vd.

Megan Ratcliff: Ja, och jag tycker att det är helt okej. En sak vi också pratar om är att alla inte behöver vara helt flytande i AI. Att lära sig AI är som att lära sig ett annat språk. Kanske blir 10–20 procent av befolkningen flytande i AI, och det är de som bygger alla möjliga saker som du aldrig har drömt om. Alla andra behöver kunna beställa ett glas vatten och hitta toaletten.

Du behöver kunna göra några saker riktigt bra för att ta dig igenom den här perioden. Men ja, det är väl min spontana bedömning.

Galen Low: Nej, ärligt talat gillar jag det. När du säger det högt låter det faktiskt väldigt vettigt. Tidigare sa jag att det skulle vara grundläggande att kunna skriva. Men om man jämför med internet, när internet kom, är det som att skicka ett mejl är en grundläggande färdighet. Zapier, Make.com och liknande är automatisering på en annan nivå. Och om du vill programmera, bli ingenjör och arkitekta internet är det ytterligare en nivå. Alla de här nivåerna finns inom samma område.

Megan Ratcliff: Det finns en grundnivå: kan du interagera med en LLM-chattbot och använda den effektivt? Det motsvarar att beställa ett glas vatten och är helt acceptabelt — och något som kommer att vara avgörande under det kommande året eller de kommande två åren.

Galen Low: Jag älskar det. Jag håller helt med. Det är faktiskt en bra övergång. Jag undrade om vi kunde zooma ut lite.

Du har själv gått igenom många av de här stadierna. Jag tror inte att du skulle beskriva dig som ingenjör eller programmerare i dag, och du hade definitivt ingen teknisk bakgrund när du började. Men du kom från SaaS-världen, och i SaaS-världen är det faktiskt väldigt svårt att få marknadsföring, försäljning och kundframgång att vara överens, ro åt samma håll och sjunga ur samma sångbok.

Vissa organisationer har en intäktschef som knyter ihop allt på toppen. Men i många fall måste de här teamen, som vanligtvis består av jämbördiga kollegor med olika chefer och mål, få intäkterna att hända. I början av avsnittet nämnde jag att du hade byggt ett team av AI-kollegor för att hantera det här problemet, men jag ville gå igenom det lite mer.

Fanns det ett specifikt problem eller en uppsättning problem som du försökte lösa genom detta? Och vad fick dig att satsa på att skapa AI-kollegor i stället för något mer konventionellt, som utbildning eller en serie lunchföreläsningar?

Megan Ratcliff: Absolut. Det var en stor och enorm fråga. Alla som har arbetat i företagsvärlden förstår att det pågår väldigt många saker samtidigt. Av produktivitetsskäl hade vi utbildningar och lunchföreläsningar för att få alla att samordna sig. Vi försökte göra det hela tiden.

Men de blev helt enkelt väldigt misslyckade. Man försöker pressa ihop fyra team samtidigt som man behåller varje teams identitet som en liten organisation inom den större organisationen. Det är svårt. Människor har en identitet kopplad till det de gör. För mig kom idén om en AI-kollega från att jag var chef för efterfrågegenerering vid den tiden. Jag gjorde det jobbet och hade inte särskilt mycket resurser.

Jag hade inte mycket pengar, inte mycket tid och inte många teammedlemmar — mänskliga teammedlemmar — som kunde göra jobbet. Vi hade inga textförfattare. Vi hade lite hjälp på designsidan, men inte mycket. När det gällde kampanjstrategi, säljstödsmaterial och liknande hade vi ont om resurser. Därför började jag bygga den första kollegan, en kampanjtextförfattare.

Det är en bra startpunkt för alla som är nya inom AI: att skapa innehåll. Det är enkelt eftersom du förstår hur ett bra resultat ser ut. Du kan komma igång direkt och LLM:er är naturligt lämpade för det. Det var mitt första steg.

När jag började arbeta med den, förfina den och göra den tillräckligt bra för att kunna användas började jag fundera på om jag kunde strukturera mina kampanjer på ett smartare sätt. Då började jag bygga strateger som kunde hjälpa mig att tänka, eftersom jag inte var klassiskt utbildad inom efterfrågegenerering. Jag kom från en marknadsföringsbyrå där jag hade varit kundansvarig.

Kompetenserna överförs till viss del, men det fanns saker jag förväntades göra som jag inte hade praktisk erfarenhet av. Jag var tvungen att låtsas tills jag lärde mig. Jag byggde alltså kollegor som kunde komplettera luckorna i min kompetens.

Sedan arbetade vi med en produktlansering. Det fanns en definierad ideal kundprofil. Vi lanserade produkten och det gick annorlunda än alla hade trott. De personer vi trodde skulle köpa produkten köpte den inte. I stället var det en annan grupp som köpte den. Jag tänkte: det var märkligt. Någon borde göra något åt det. Vi behöver nog definiera om vår ideala kundprofil.

Alla tittade på varandra och jag frågade: vem ska göra det? Ingen ägde go-to-market-arbetet. Då tänkte jag: varför inte jag? Jag gör det. Jag byggde en go-to-market-strateg och hela syftet var att hjälpa mig förstå detta.

Jag gav den information om våra typiska konverteringsgrader och om vår ideala kundprofil. Sedan tog jag köpdata från de konton som faktiskt köpte av oss. Jag använde aldrig personligt identifierbar information, och det ska ingen annan heller göra. Jag lät den analysera vilka konton som köpte av oss och jämföra det med vilka vi trodde skulle köpa av oss. Vad var skillnaden? Vi började skapa en ny profil av vår köpare.

Jag tänkte: det här är helt logiskt, det är ju detta som faktiskt händer. Sedan frågade jag om det fanns tester vi kunde genomföra för att validera detta. Vi började köra tester, och den go-to-market-strateg som jag byggt började bryta ner silorna mellan marknadsföring, säljstöd och intäktsverksamhet. Vi fick en gemensam källa, och kollegan delades av alla så att vem som helst kunde rådfråga den. Den tränades och byggdes på ett gemensamt intelligenslager, vilket var mycket viktigt.

När du har ett gemensamt intelligenslager, ett gemensamt orkestreringslager, gemensamma kollegor som ni använder och en gemensam förståelse för det mänskliga omdöme som används för att utvärdera de två andra lagren, då bryter ni ner silorna mellan organisationerna och börjar röra er som en enhet. AI blir den sammanbindande vävnad som för er framåt. Så gjorde vi.

Galen Low: Jag älskar det, eftersom det också knyter an till det du sa tidigare: att vi som människor har en identitet kopplad till det arbete vi gör. Våra team är små organisationer inom större organisationer, och ibland är det just där luckan finns. Vi delar inte samma information.

Vi har inte samma bild av världen eller ens samma förståelse av kunden. Men om ni har ett gemensamt intelligenslager som alla använder och matar med information — naturligtvis utan personligt identifierbar information — och sedan samtalar om vad bilden visar, då är det bron.

Jag var verkligen nyfiken på hur allt hängde ihop. Nu förstår jag det som ett verktyg som nästan fungerar som en gemensam resurs som lär sig från alla team. Jag gillar också idén eftersom jag själv kommer från byråvärlden och från en slags startupvärld där allt är slimmat. Visst vill man ha en textförfattare, en marknadstextförfattare eller en konverteringstextförfattare. Man vill ha en strateg och elva personer i teamet för att ta en produkt till marknaden och skapa efterfrågan. Men vanligtvis kan man inte det.

Därför förlitar man sig på enhörningsroller. Jag har också sett det gå fel: enhörningen slutar och man säger att man måste hitta en ny. Men tänk om det bara fanns en enda sådan person? Kanske är det den verkliga lockelsen med AI och varför det tar fart just nu, åtminstone på arbetsnivå. AI kan hjälpa till att fylla luckor som du själv har identifierat.

Du kanske tänker: jag är ingen textförfattare, men LLM:er är bra på språk och har tränats på mycket textförfattande, varav en del säkert är dåligt. Du måste korrigera resultatet och förstå vad du vill säga och hur du vill säga det. Alla som lyssnar — och särskilt du — får säkert massor av LinkedIn-meddelanden och mejl som uppenbart är AI-genererade och automatiserade i stor skala. Vi vill ha något annat för oss själva.

Jag gillar idén att säga: jag saknar den här kompetensen, men jag är den enda som kan göra det, så jag räcker upp handen. Samtidigt behöver jag bygga ett system eftersom jag vet att jag inte själv har kompetensen. Ingen annan i teamet har den heller, annars hade de väl räckt upp handen. Vi behöver bygga upp den. Det är ett väldigt bra och hälsosamt sätt att se på saken.

Jag vill återkomma till det, men först vill jag fråga om din inlärningskurva. Du ser inte dig själv som någon med teknisk bakgrund. Du studerade inte datavetenskap på universitetet. Kan du berätta hur inlärningskurvan såg ut? Vad krävdes för att förstå allt detta? Vilka resurser använde du och hur hittade du ens tiden för att bygga och operationalisera dina AI-kollegor?

Megan Ratcliff: Absolut. Jag har ingen teknisk bakgrund. Jag studerade marknadsföring och gick på handelshögskola. Sedan arbetade jag på en marknadsföringsbyrå som kundansvarig i tio år. Jag hade varit nära många ingenjörer och tekniska personer, men jag är inte någon som kommer att bygga något i JSON, HTML eller React. Det är grekiska för mig.

Jag började arbeta med en kvinna som heter Lisa. Hon hade tagits in som tillfällig marknadschef på DICE för att hjälpa oss förstå vad som var möjligt. Jag lärde mig mycket av henne. ChatGPT hade funnits i några månader och jag hade bara ställt lite fåniga frågor. Jag visste om hallucinationer och sådant, och tyckte att det var roligt att leka med, men jag hade inte förstått hur jag skulle använda det i mitt riktiga jobb.

Vi började fundera och jag sa att mitt första steg nog var innehåll, eftersom jag drunknade i arbete, inte var textförfattare och behövde hjälp. Hon sa direkt: då bygger vi en. Vill du bygga en anpassad GPT med mig? Jag svarade att jag kunde göra det. Hon visade instruktioner som hon hade byggt och bad mig prova att skapa egna.

På den tiden skrev jag mina egna instruktioner på tangentbordet. Jag gav dem till henne, hon granskade dem och gav återkoppling, och sedan redigerade jag dem. Jag byggde den och började använda den. Därefter upprepade jag processen, tränade den och experimenterade.

Plötsligt var den ganska vältrimmad och jag fick bra resultat. Då började jag fundera på vad mer jag kunde bygga. Min hjärna gick in i kreativ överväxel. Jag tänkte: vad kan jag inte bygga? AI belönar verkligen idémänniskor. Om du är en idémänniska är det här din tid.

Jag hade en idé som jag ville testa med Dices vd. Jag trodde att han skulle älska den, men jag kände honom inte särskilt väl och visste inte ens om vi någonsin hade haft ett direkt samtal. Jag ville testa idén innan jag riskerade att göra bort mig.

Jag tog utskrifter från alla stormöten han hade hållit, skapade en arbetsbeskrivning för Dices vd, tog språk från mejl han skrivit och skapade en simulator. Den innehöll vad hans jobb var, vad han brydde sig om, hans språkmönster och min gissning om hans personlighet.

Jag gav simulatorn min idé och den svarade att den hatade idén och att den var hemsk. Jag tänkte: nej. Sedan frågade jag hur jag kunde få ett ja från honom. Den hjälpte mig att formulera om idén så att den bättre överensstämde med det han brydde sig om. Vi ändrade inte innebörden, bara hur den presenterades. Jag presenterade idén och det gick väldigt bra.

Efteråt sa jag att jag måste berätta något och att jag inte ville skrämma honom, men att jag hade skapat en simulator av honom för att testa en idé. Han tyckte att det var mycket smart. Det visade sig dessutom att vi byggde hans personliga varumärke som en del av vår innehållsstrategi. Vi kunde använda simulatorn som grund för att skapa innehåll som lät som honom. Han tyckte att det var briljant och ville återanvända den.

Sedan började jag fundera på vilka andra simulatorer jag borde bygga. Jag byggde en simulator av mig själv och började sedan bygga personasimulatorer så att vi kunde få omedelbar återkoppling från våra personas.

Om någon lyssnar och tänker att det är en bra idé att bygga en AI-persona vill jag säga: nej, du kan inte bygga en AI-persona utifrån AI-information. Du måste ha verklig information om personerna. Du måste ha gjort research, intervjuer och samlat in kvalitativa och kvantitativa data. Det är detta som matar en personasimulator och gör den bättre.

Jag började skapa personasimulatorer som vi kunde testa kampanjtexter mot. Världen började forma sig. Jag behöll vissa kollegor, kastade bort andra och började sedan länka ihop dem. Det var mycket bättre än att kopiera och klistra in kontext från en till nästa. När jag började göra det blev jag mycket effektiv.

Du frågar när jag hade tid. Det skedde i marginalerna, mellan möten. Om jag hade femton minuter arbetade jag med något. Jag kunde skriva en instruktion, gå till ett möte, komma tillbaka, se resultatet, förfina och uppdatera.

Vissa kollegor tog en dag att bygga eftersom jag gjorde det mellan möten. Ibland tog det längre tid. Det berodde på situationen. Men över ungefär fyra månader byggde jag ett ekosystem som började göra mitt jobb ganska bra åt mig. Sedan fick jag mer tid att förnya, och därför kunde jag räcka upp handen och säga att jag ville ta ansvar för go-to-market-arbetet.

Galen Low: Jag tror att du avslöjade en myt för mig. Så fort du sa det förstod jag att det var sant, men jag hade tänkt att det var svårt att sätta sig ner och tänka en hel tanke. Jag närmade mig det som om jag programmerade, trots att jag numera är en mycket dålig programmerare, om ens det.

Jag tänkte att jag måste sätta mig, knäcka fingrarna och verkligen tänka igenom allt. Jag behöver fyra timmar. När ska jag hitta en halv dag för detta? Och du säger att du bara arbetade med det mellan möten, justerade saker och såg vad som hände.

Jag gillar det eftersom det är mycket mer realistiskt och pragmatiskt. För någon med bakgrund inom kundansvar — och för mig som projektledare — är kalendern full. Hur hittar man en dag utan möten? Men det betyder inte att man inte kan komma framåt. Det är som att vattna en växt. Man gör lite i taget och så småningom kommer avkastningen.

Vissa verktyg kastade du bort, men den totala avkastningen var att du fick mer tid och kapacitet att räcka upp handen och säga att du kunde göra mer för teamet tack vare effektiviteten du byggt.

Tidigare använde jag kanske felaktigt ordet agenter. Alla pratar om agentisk AI och jag tror att det är kärnan i en del av oron. Agenter är autonoma, AI fattar egna beslut utifrån utlösare och pratar med andra verktyg. Det verkar som ett tåg utan förare som kör så fort det kan. Jag förstår varför människor blir oroliga.

Pratar vi om agenter här? Pratar vi om anpassade GPT:er? Om vi inte pratar om agenter, är det dit vägen leder? Eller är det inte nödvändigtvis den enda vägen? Är du på steg två av nio mot ett team som bara består av AI-kollegor och inga människor?

Megan Ratcliff: Ordet agenter används väldigt fritt just nu. En agent är ett AI-verktyg som agerar autonomt på egen hand. När människor säger att de skapar agenter på LinkedIn skapar de egentligen ofta bara en kollega, alltså en anpassad GPT med en människa i loopen.

Är vi på väg mot en plats där verkligt agentisk AI tar över i vissa fall? Ja. I andra fall nej. Bedömningslagret jag nämnde tidigare är mycket viktigt. Endast människor har smak, och endast människor kan bidra med den specifika nyans, historiska referens och information som AI inte kan fånga upp.

AI är inte emotionell, och därför behövs människan. Jag har hört mycket om att lägga in agentisk AI i specifika arbetsflöden. Inom vissa arbetsområden kan det vara rimligt att låta agentisk AI hantera ett helt arbetsflöde från början till slut, till exempel datarelaterade uppgifter. Men inom kreativa områden är det avgörande att ha en människa i loopen.

Annars blir resultatet slarvigt. McDonald's hade faktiskt en AI-genererad reklam i Europa som var dålig. Människor reagerade och den drogs tillbaka. Därför är den mänskliga aspekten så viktig.

Om du funderar på att börja automatisera är det roligt. Jag har automatiseringar som arbetar för min räkning hela tiden, men jag automatiserar kanterna av arbetsflödena, inte kärnan. Jag kan få AI-stöd i kärnan, men jag är fortfarande människan i loopen.

Om du behöver rensa data innan du skapar en rapport kan du automatisera en del av datarensningen. Sedan kan du låta systemet börja skapa rapporten, men du behöver själv lägga till ditt mänskliga omdöme. Ibland från början till slut, men oftast med en människa i loopen.

Galen Low: Jag gillar ordet du använde — inte bara omdöme, utan också smak. Jag har aldrig hört någon beskriva det så, men det träffade rätt. Du kan inte bara be en LLM skapa en persona av din vd eller din ideala kundprofil ur tomma luften. Du måste ge den rätt information, träna den och justera den.

En del av det vi kallar smak handlar om nyanser som är emotionella och som AI kanske inte uppfattar. Eller så har vi helt enkelt inte berättat för AI om saken. Man vill fortfarande ha kvar det när man ska presentera något viktigt för sin vd.

Jag skulle inte ens låta en mycket kompetent människa autonomt skapa en affärsmodell och presentation till min vd utan att först ge någon form av input och granska resultatet. Det är därför människan i loopen känns så naturlig.

Det finns också en del skam på nätet där man får höra att agentisk AI redan finns och att man gör fel om man fortfarande sitter vid tangentbordet. Det är giftigt och får människor att känna att de ligger efter om de inte avskaffar den mänskliga arbetskraften. Vissa saker ska automatiseras, andra ska orkestreras, men vissa saker är inte där ännu — och kanske aldrig blir det — när det gäller människans roll i loopen.

Megan Ratcliff: Om du tänker på modern teknik i allmänhet brukade människor tvätta kläder för hand. Nu har vi tvättmaskiner och torktumlare. Det vi alla vill ha är en robot som viker kläderna åt oss — det skulle vara ett helt agentiskt tvättsystem.

Men om vi ser verkligheten i vitögat är människan fortfarande i loopen. Du lägger kläderna i tvättmaskinen, ställer in programmet och låter den köra. När den är klar flyttar du kläderna. Du bestämmer vad som ska in i torktumlaren och vad som ska hängas upp. Det är ett mänskligt omdöme.

Du ställer in programmet och bestämmer hur länge det ska torka. Sedan bestämmer du när du tar ut kläderna, när du viker dem och var de ska ligga. Även i den processen, med modern teknik, är du människa i loopen vid varje steg, men du använder maskiner på två ställen för att spara tid.

Det här är samma sak. Du avgör vad som är värt din tid och vad som inte är det. Vissa processer vi gör manuellt i dag är helt enkelt inte meningsfulla. Men det finns processer som är mycket viktiga och där människan måste behålla kontrollen. Det handlar om smak, omdöme och etik.

Galen Low: För att dra analogin alldeles för långt finns det nu kombinerade tvätt- och torkmaskiner. Varför flytta kläderna till en annan maskin? Det kan vi konstruera bort. Men den yttersta mänskliga bedömningen när det gäller tvätt är att avgöra vad som ska köras på låg temperatur, vad som är blandmaterial och vilket program man ska välja. Man vill ha mänsklig diskretion så att man inte plötsligt får en skjorta som är tre storlekar för liten.

Megan Ratcliff: Eller så måste du ta ut vissa saker ur torktumlaren innan de är torra. Du måste ta ut leggingsen. De får inte torktumlas.

Galen Low: Mina damer och herrar, AI är faktiskt bara tvätt.

Megan Ratcliff: Ja, bara tvätt.

Galen Low: Jag gillar det här med människan i loopen. Jag har lagt märke till att den mänskliga aspekten är central i dina inlägg och i ditt arbete. När jag hör dig berätta om hur team börjar använda de här verktygen föreställer jag mig att det finns en förändringsledningskomponent för att få team att växla och se AI-verktygen som sina kollegor.

Hur får man människor att förstå det här, få dem med sig och hantera motståndet?

Megan Ratcliff: Det första steget är att skingra rädslan. Många är rädda. Jag arbetar med marknadsföringsteam och innehållsskribenter är nervösa eftersom det är den enklaste vägen framåt. Det var så jag började, med innehåll.

Vi skingrar rädslan och visar vilka begränsningar AI har och var den mänskliga smaken kommer in. Ja, AI kan förmodligen skriva ett pressmeddelande åt dig, men du måste ge den bra indata. Sedan kan du utvecklas till innehållsstrateg och arbeta mer strategiskt. Du kan ta fram bättre indata och göra research snabbt på rätt platser.

Steg ett är alltså att skingra rädslan. AI kommer inte att ta ditt jobb, men den kan ta delar av det. Du har möjlighet att föreställa dig hur ditt framtida jobb ska se ut. Hur många känner du som har ett jobb de älskar från början till slut? Inte särskilt många.

När vi pratar om att föreställa oss vad som är möjligt får människor möjlighet att bestämma vad de gillar med jobbet och vill behålla, och vad de inte gillar. Det kan vi överföra till en kollega eller automatisera så att vi kan fokusera mer på det vi tycker om.

Det är så vi börjar förändra perspektivet. Skiftet i tänkesätt är avgörande. Utan det, utan att föreställa sig arbetet på nytt, förändras ingenting i grunden. Du gör samma arbete, kanske lite snabbare, men får inga verkliga produktivitetsvinster. När du börjar föreställa dig vad arbetet faktiskt kan vara blir möjligheterna obegränsade.

Det börjar med rädsla. Låt oss skingra rädslan.

Galen Low: Jag gillar det. Jag undrar om det finns ett individualistiskt perspektiv på detta. Alla kan föreställa sig själva och sin egen roll på nytt, medan företagsstrukturen vill ha en viss likformighet.

En person med samma titel kanske tycker om att skriva pressmeddelanden och inte vill använda AI för det. En annan med samma titel kanske aldrig vill skriva pressmeddelanden igen men vill behålla en annan del av jobbet. Plötsligt har två roller samma titel men gör olika saker.

Finns det en risk för specialroller när vi föreställer oss våra framtider på nytt?

Megan Ratcliff: Det där är faktiskt framtiden. Organisationer som lyckas med den här omvandlingen kommer i grunden att tänka om kring arbete och fokusera på resultat. Vilka resultat ansvarar vi för? Låt oss skapa arbetsflöden som är kopplade till dessa resultat och sedan tilldela personer med rätt kompetens till arbetsflödena.

Det du kommer att se är att hierarkin bryts ner och ersätts av något som kallas en arbetskarta. Människor samlas för att göra det arbete de passar bäst för. När arbetet är klart upplöses gruppen och sätts samman på ett annat sätt för att göra nästa arbete.

På så sätt bryter man ner silorna som hindrar verkligt samarbete och börjar göra arbete som faktiskt spelar roll. Tänk på ett företag som säger att det är kundcentrerat, vilket nästan alla företag gör utan att det är sant. Föreställ dig att man faktiskt samlar organisationen kring att bli kundcentrerad, skapar ett arbetsflöde som enbart fokuserar på det och tilldelar de personer som står närmast kunden. Det är en stor förändring i tänkesätt.

Du kommer att få fler individuella specialister. Människors kompetens kommer att föra dem framåt. Du och jag kan ha samma titel men helt olika kompetenser, och det är bra. Ta bort titeln, behåll kompetensen och gör det arbete som bäst passar det du är bra på och intresserad av.

Galen Low: Jag gillar att det knyter an till en förändring vi har försökt genomföra länge: att bli kompetensbaserade organisationer. Även arbetskraften tenderar fortfarande att se saker genom jobbtitlar. Jag gillar idén om en arbetskarta.

Det mest stärkande jag hörde dig säga var att jag först tänkte på nanobotar som samlas för att skapa en form, utföra ett jobb och sedan upplösas för att göra något annat. Sedan tänkte jag att det där är ju ett projekt. Man samlas tillfälligt, använder sin kompetens för att nå ett mål och går sedan vidare till ett annat projekt.

Teamet kan se annorlunda ut och arbetet kan vara annorlunda, och det är förmodligen helt okej. Ibland kanske ingen i teamet är textförfattare. Då kan en AI-kollega för textförfattande hjälpa till. Den är bra på språk, har tränats på mycket material och kan justeras efter smak. Plötsligt kan teamet slutföra jobbet även om vissa kompetenser saknas.

Det är en väldigt stärkande syn på framtidens arbete.

Megan Ratcliff: Att förstå vilket resultat man arbetar mot och vilka kompetenser man redan har i teamet hjälper en att identifiera vilka kollegor man behöver. Man ska inte bygga AI bara för AI:s skull. Man ska bygga den för att göra något specifikt.

När organisationen har sina resultat, arbetsflöden och personer med rätt kompetens kommer det att finnas luckor. Hur fyller man dem? Man bygger en kollega som fyller luckorna. Så identifierar man vad som behövs.

Galen Low: Ur ett mänskligt personalperspektiv hamnar man ibland i situationen att man inte kan motivera en heltidsanställd textförfattare. Då delar man personen mellan åtta team, vilket inte fungerar särskilt bra. Kontexten, förståelsen för produkten och materialet sprids ut, och det blir mycket växling mellan uppgifter.

Det finns områden där detta verkligen kan hjälpa. Jag vill avsluta med en liten lek som jag kallar AI-myt. Jag påstår något som kan vara en myt och du ger din spontana bedömning. Du kan säga om du håller med eller inte och sedan utveckla.

Megan Ratcliff: Okej, bra. Jag ser fram emot det.

Galen Low: Den första: att leda agenter eller AI-kollegor är precis som att leda människor.

Megan Ratcliff: Myt. Falskt. AI-kollegor har inga känslor, så du behöver inte hantera deras känslor. Men du bör granska dina agenter regelbundet, kanske kvartalsvis eller två gånger om året i vissa fall.

Du bör alltså göra en diagnostisk granskning av din kollega, men den är inte samma sak som en människa. Den har inga känslor.

Galen Low: Jag hade inte ens tänkt på det — utvecklingssamtal, kvartalsvisa utvecklingssamtal med AI-kollegan. Jag älskar det. Nästa: det här AI-verktyget kan ersätta hela ditt marknadsföringsteam.

Megan Ratcliff: Nej, falskt. Alla verktyg som påstår att de ska ersätta ditt marknadsföringsteam är marknadsföring. Dålig marknadsföring, åtminstone. Du behöver fortfarande människor eftersom människor har känslor, smak och omdöme och kan hantera nyanser som AI aldrig kan.

Du behöver också någon som plockar upp saker, flyttar runt dem och genomför dem. Någon måste kontrollera robotarna. Så nej, det ersätter inte marknadsföringsteamet. Det gör det bättre.

Galen Low: Jag kan förmodligen identifiera i min inkorg vilka som ersatte sitt marknadsföringsteam med AI, eftersom resultatet ibland saknar nyanser och smak. Nästa är lite foliehatt: AI-agenter kommer att resa sig och ta ditt jobb, och det är vad regeringen vill.

Megan Ratcliff: Det där är helt bananas. Det beror på vilken regering och var du bor.

Galen Low: Rimligt.

Megan Ratcliff: Nej. Du som människa kan styra AI och testa om AI kommer att ta ditt jobb, men under processen skapar du ditt nya jobb. Kommer människor att förlora jobb i vissa fall? Ja, det har redan hänt. Det är olyckligt.

Tillkommer nya jobb varje dag? Ja, eftersom de förändras. Precis som när internet kom förändras och förskjuts jobb i grunden. Det är upp till dig att bestämma om du också ska förändras.

Galen Low: Det är roligt eftersom det finns en koppling till samtalet om brist på arbetskraft och minskad befolkningstillväxt. Man kan tolka det som att regeringen vill att AI ska kunna göra vissa jobb eftersom vi helt enkelt inte föder tillräckligt många nya människor för att ta hand om den äldre generationen.

Men omvandlingen pågår och skapar nya jobb. Även om robotik, automatisering och AI installerar ett lager som tar över befintliga jobb är det inte särskilt mänskligt att bara sitta och äta vindruvor och göra ingenting i en kultur efter arbetet. Det kommer alltid att finnas mer att göra.

Megan Ratcliff: Precis.

Galen Low: Nästa är egentligen inte en myt, men jag hörde om någon som sätter upp sitt team av agenter på sitt CV och i princip intervjuar och säljer in sig själv som ett team till potentiella arbetsgivare. Giltigt eller falska nyheter?

Megan Ratcliff: Giltigt. Jag har sett det och ogillar det faktiskt inte. Om jag anställer en marknadsförare vill jag se hur AI-kompetent personen är, eftersom framtidens marknadsföring kräver AI-kompetens.

Om du kom till intervjun och sa: hej, jag heter så och så och här är teamet av agenter eller kollegor jag tar med mig, skulle jag tycka att det var fascinerande. Jag skulle vilja höra hur du tänkte när du byggde dem, hur de hjälper dig, vilka arbetsflöden du använder och hur du utnyttjar dem. Det kan vara en verklig tillgång för teamet. Så det är inte falska nyheter. Jag har sett det och ogillar det inte.

Galen Low: Jag ogillar det inte heller. Jag gillar att du tog vinkeln med kompetens. Det visar kompetens. Tidigare pratade vi om certifieringar. Kommer det att vara en grej inom AI om två år? Kanske inte. Men att visa vad du byggt visar definitivt din förmåga, hur du tänker kring arbete och att du kan skapa system och orkestrera även om du inte är teknisk.

Jag gillar också idén om att känna till sin svaghet. På intervjufrågan om vad som är en svaghet kanske du kan säga att du är en dålig textförfattare, men att du har byggt en agent som är en ganska bra textförfattare. Det är ett legitimt sätt att fylla en kompetenslucka.

Megan Ratcliff: Den nya frågan kanske inte blir vad din svaghet är, utan vilka kollegor du har byggt för att komplettera din kompetens.

Galen Low: Jag gillar det.

Megan Ratcliff: Jag tror inte att någon kommer att fråga det, men kanske någon gör det i framtiden.

Galen Low: Jag tycker faktiskt att vi borde skapa det: frågor att ställa i arbetsintervjuer år 2028 när man anställer till en marknadsföringsroll.

Innan vi avslutar, har du en fråga till mig?

Megan Ratcliff: Ja. Du pratar med projektledare hela tiden och med många olika typer av personer. Vilken är den största luckan du ser mellan vad ledningen tror att AI-implementering innebär och vad som faktiskt händer på marken?

Galen Low: Det är en bra fråga. Jag tror att det finns stereotyper om projektpersoner. Man ser dem som processrobotar som vill ha allt snyggt och prydligt i en låda. I min värld är alla digitala projektledare och arbetar med teknik hela tiden. Borde inte verktyget bara göra saken? Räcker det inte att välja en knapp och trycka på okej för att få agentiska arbetsflöden?

Jag tror att det förenklas på toppen. Det finns en stereotyp om att alla projektledare är processmänniskor, samtidigt som projektledare inser att mycket av deras värde är mänskligt: relationer, nyanser, förhandling, lojalitet och att använda lojalitet för att få saker gjorda.

Det handlar mer om att orkestrera samarbete. Nu hamnar dessa perspektiv i konflikt, eftersom alla projektledare inte ser sig själva som tekniska eller som kapabla att bygga system.

Oavsett vad kommer det att ta längre tid än många ledningsgrupper tror. Det finns inte mycket vägledning. Det jag gillade med din berättelse var att du hade en mentor, någon i organisationen som förstod ditt område, en marknadschef som kunde säga: så här är vad jag vet, prova nu du så ser vi vad vi kan bygga.

Jag tror att det finns en förväntningskrock mellan vilka projektledarkompetenser som är värdefulla och ett slags tomrum när det gäller mentorskap, ledarskap och vägledning. Många försöker i tysthet förstå allt själva. Du byggde vissa kollegor och kastade bort dem, och många som gör samma sak tror nog att de misslyckas.

De tänker att de lade tre dagar på att bygga något som hamnade i papperskorgen och att de därför inte kommer att ha ett jobb nästa år. Men det är framsteg. Det är precis det en organisation eller ledningsgrupp vill se från sina projektledare.

Megan Ratcliff: Ja. Utbildning och kompetensutveckling är oerhört viktigt. Organisationer ger människor förväntningar som att de måste öka sin AI-användning med en viss procent eller bli 20 procent effektivare.

De lägger till nyckeltal utan verklig utbildning och utan individuell träning. Varje persons jobb är annorlunda och användningsfallen skiljer sig åt. En allmän utbildning i hur man använder GPT eller Gemini är därför inte särskilt användbar.

Människor behöver verklig kompetens och träning. Det är också till stor hjälp att ha någon att prata med om sitt arbete, så att man kan komma igång. Det är som att hjälpa till att skjuta den första stenen. När de väl kommer igång blir de ostoppbara. Men de behöver lite hjälp först.

Galen Low: Jag älskar det. Jag håller helt med, särskilt när det gäller projektledare. Vi löser problem. När man väl får igång oss löser vi det. Men övergången från tröghet till fart är svår och det finns mycket impostorsyndrom.

Jag gillar också det du sa om att det nästan inte räcker med en AI-mentor. Du hade en mentor inom AI och marknadsföring som förstod både marknadsföringens bredd och djup och AI. Det är en viktig skillnad som jag inte hade tänkt på.

Megan, stort tack för att du tog dig tid i dag. Jag hade väldigt roligt. Tack för att du deltog i min Mytknäckar-lek. Om människor vill lära sig mer om dig, vart ska de vända sig?

Megan Ratcliff: Det enklaste är att hitta mig på LinkedIn. Sök efter Megan Ratcliff så hittar du mig.

Galen Low: Toppen. Jag inkluderar en länk till din profil i programanteckningarna. Tack igen och tack för din tid. Det här var väldigt roligt.

Megan Ratcliff: Tack för att jag fick komma.

Galen Low: Det var allt för dagens avsnitt av The Digital Project Manager Podcast. Om du uppskattade samtalet, prenumerera där du lyssnar. Om du vill ha ännu fler praktiska insikter, fallstudier och handböcker kan du gå till thedigitalprojectmanager.com.

Tills nästa gång — tack för att du lyssnade.